EpubCCKonvertera en japansk PDF till EPUB
Uppdaterad:
Japansk text har inga mellanslag mellan ord, så att sammanfoga rader och stycken behöver andra regler än latinska texter. I en japansk Wikipedia-artikel sammanfogar EpubCC-motorn CJK-rader utan att infoga mellanslag.
Original och resultat
CJK-text utan mellanrum mellan orden, blandat med latinska tecken och siffror.
Ladda ner källan PDF Ladda ner provet EPUB
Källa och licens
- Dokument
- Wikipedia (Japanese): The Tale of Genji
- Licens
- CC BY-SA 4.0 (text); images under their own licences
- Sidor
- 67
- Egenskaper
- text PDF, en kolumn, Japanska, CJK
Wikipedia contributors, “源氏物語” (The Tale of Genji), Japanese Wikipedia, text licensed CC BY-SA 4.0; images under their own licences.
Använda inställningar
- Motor: EpubCC motor, bygg av 2026-11-03 (den som mättes i benchmarken).
- Sidor: hela dokumentet.
- Alternativ: inga. Motorn har inga per-dokument-inställningar ännu; samma standardinställningar gäller för varje fil.
Validering och resultat
EPUBCheck EPUBCheck på vår EPUB: 0 fel, 0 varningar.
| Motor | 8-gram återkallande |
|---|---|
| EpubCC engine (EPUB output) | 0.964 |
| EpubCC engine (plain text) | 0.963 |
| pdf_oxide · extract_text | 0.970 |
| pdf_oxide · to_plain_text (XY-cut) | 0.970 |
| pdf_oxide · Markdown | 0.797 |
| PDFium · text().all() | 0.952 |
| OpenDataLoader PDF (local mode) | 0.942 |
| pdftotext (Poppler) | 0.965 |
| Calibre · ebook-convert (EPUB output) | 0.939 |
| EpubCC engine (EPUB, same extractor as Calibre) | 0.964 |
Begränsningar vi observerat
- Källan är horisontell text; vertikala (tategaki) böcker har ännu inte testats.
- pdf_oxide och pdftotext poängar något högre än vår motor på detta dokument.